(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210195283.4 (22)申请日 2022.03.01 (71)申请人 澜途集思 （珠海） 科技有限公司 地址 519080 广东省珠海市高新区唐家湾 镇金唐路1号港湾1号科创园2 4栋C区1 层219室 (72)发明人 杨志峰　沈永明　张远　蔡宴朋　 (74)专利代理 机构 北京市京师律师事务所 11665 专利代理师 黄熊 (51)Int.Cl. G06V 20/05(2022.01) G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/583(2019.01) G06F 16/55(2019.01) (54)发明名称 基于CoupleNet算法的生态生物 识别方法 (57)摘要 本发明公开了基于CoupleNet算法的生态生 物识别方法， 包括如下步骤： 收集生态生物特征， 将收集的生态特征进行收集分类， 并建立分布式 生态特征数据库； 发起生态生物识别请求， 根据 请求在生态环境中采集生物图像数据； 通过 CoupleNet算法对采 集的生物图像数据进行目标 检测； 将得到的所需识别的生物图像数据与分布 式生态特征数据库中的特征数据进行对比识别。 本发明通过设置CoupleNet算法对采 集的生物图 像数据进行目标检测， 提出全卷积网络， 同时将 全局信息和局部信息相结合， 设计了一个不同的 normalization和coupling策略挖掘局部信息和 全局信息的兼容性和互补性， 使得生物识别的精 度提高。 权利要求书1页 说明书3页 附图1页 CN 114565830 A 2022.05.31 CN 114565830 A 1.基于CoupleNet算法的生态生物 识别方法， 其特 征在于， 包括如下步骤： S1收集生态生物特征， 将收集的生态特征进行收集分类， 并建立分布式生态特征数据 库； S2发起生态生物 识别请求， 根据请求在生态 环境中采集 生物图像数据； S3通过CoupleNet算法对 采集的生物图像数据进行目标检测； S31上面的支路网络为Local  FCN， 使用R ‑FCN结构的位置敏感分布图提取目标的局部 信息； S32中间的支路网络Gl obal FCN， 用于提取目标的全局信息； S33下面的支路网络用于提取目标的语义信息； S34把Local FCN和Global FCN结果对应位置元 素相加， 再通过一个softmax实现分类； S4将得到的所需识别的生物图像数据与分布式生态特征数据库中的特征数据进行对 比识别。 2.根据权利要求1所述的基于CoupleNet算法的生态生物识别方法， 其特征在于， 所述 步骤S32对于一个region  proposal， 依次通过K ×K的ROI Pooling， K ×K的conv以及1 ×1的 conv。 3.根据权利要求1所述的基于CoupleNet算法的生态生物识别方法， 其特征在于， 所述 步骤S33对于一个region  proposal， 首先选择以这个proposal为中心， 面积是原来2倍的 proposal， 同样依次通过 K×K的ROI Pooling， K×K的conv以及1×1的conv。 4.根据权利要求1所述的基于CoupleNet算法的生态生物识别方法， 其特征在于， 所述 步骤S34先各自通过 1×1的conv调整激活值的尺寸， 然后把Local  FCN和Global  FCN结果对 应位置元 素相加， 再通过一个softmax实现分类。 5.根据权利要求1所述的基于CoupleNet算法的生态生物识别方法， 其特征在于， 所述 步骤S32提取全局信息采用了ROIPooling， 并且引入上下文信息， 通过将ROI对应的feature   map向外扩大一 倍的方式获取。 6.根据权利要求1所述的基于CoupleNet算法的生态生物识别方法， 其特征在于， 所述 生物图像数据采用图像归一法和图像增强法对图像数据进行处 理。 7.根据权利要求1所述的基于CoupleNet算法的生态生物识别方法， 其特征在于， 所述 步骤S2采集生物图像数据后， 对生物图像数据进 行拆分， 并剔除无用数据信息， 将有用数据 信息归类并存 储。 8.根据权利要求1所述的基于CoupleNet算法的生态生物识别方法， 其特征在于， 所述 步骤S4对比识别后的生物图像数据发送至分布式生态特 征数据库中进行存 储。权　利　要　求　书 1/1 页 2 CN 114565830 A 2基于Couple Net算法的生态生物识别方 法 技术领域 [0001]本发明涉及生物识别技术领域， 尤其涉及基于CoupleNet算法的生态生物识别方 法。 背景技术 [0002]水生生物群落与水环境有着错综复杂的相互关系， 对水质变化起着重要作用。 不 同种类的水生生物对水体污染的适应能力不同， 有的种类只适于在清洁水中生活， 被称为 清水生物(或寡污生物)。 而有 些水生生物则可以生活在污水中， 被称为污水生物。 水生生物 的存亡标志着水质变化程度， 因此生物成为水体污化的指标， 通过水生生物的调查， 可以评 价水体被污染的状况。 现在一般通过对 水生生物进 行采集识别， 但是采集的图像数据较多， 生物图像识别的速度和精度均不高。 发明内容 [0003]基于背景技术存在的技术问题， 本发明提出了基于CoupleNet算法的生态生物识 别方法。 [0004]本发明提出的基于 CoupleNet算法的生态生物 识别方法， 包括如下步骤： [0005]S1收集生态生物特征， 将收集的生态特征进行收集分类， 并建立分布式生态特征 数据库； [0006]S2发起生态生物 识别请求， 根据请求在生态 环境中采集 生物图像数据； [0007]S3通过CoupleNet算法对 采集的生物图像数据进行目标检测； [0008]S31上面的支路网络为Local  FCN， 使用R ‑FCN结构的位置敏感分布图提取目标的 局部信息； [0009]S32中间的支路网络Gl obal FCN， 用于提取目标的全局信息； [0010]S33下面的支路网络用于提取目标的语义信息； [0011]S34把Local  FCN和Global  FCN结果对应位置元素相加， 再通过一个softmax实现 分类； [0012]S4将得到 的所需识别的生物图像数据与分布式生态特征数据库中的特征数据进 行对比识别。 [0013]优选的， 所述步骤S 32对于一个region  proposal， 依次通过K ×K的ROI Pooling， K ×K的conv以及1×1的conv。 [0014]优选的， 所述步骤S33对于一个region  proposal， 首先选择以这个proposal为中 心， 面积是原来2倍的proposal， 同样依次通过K ×K的ROI Pooling， K ×K的conv以及1 ×1的 conv。 [0015]优选的， 所述步骤S34先各自通过1 ×1的conv调整激活值的尺寸， 然后把Local   FCN和Global FCN结果对应位置元 素相加， 再通过一个softmax实现分类。 [0016]优选的， 所述步骤S32提取全局信息采用了ROI  Pooling， 并且引入上下文信息， 通说　明　书 1/3 页 3 CN 114565830 A 3